Die einzige Rolle als Datenanalyst, die KI-sicher ist

Bild vom Autor

# Einführung

Ich arbeite seit über vier Jahren in der Datenbranche. Während dieser Zeit habe ich einen gewaltigen Wandel in der Rolle erlebt.

Bisher struggle es bei der Auswahl von Kandidaten für Datenanalystenpositionen einfacher zu erkennen, wer über die technischen Fähigkeiten für die jeweilige Aufgabe verfügte und wer nicht. Heutzutage übersteht quick jeder die ersten paar Runden des Datenanalysteninterviews.

Mit KI können Kandidaten, die nur sehr wenig Erfahrung haben, Dashboards erstellen und SQL-Abfragen präzise schreiben – Fähigkeiten, deren Erlernen früher Jahre gedauert hat. Infolgedessen haben sich die Erwartungen der Arbeitgeber geändert, und das Dienstalter und Fachwissen sind mittlerweile zu einer anspruchsvollen Anforderung geworden.

Darüber hinaus verschwimmen die Grenzen zwischen verschiedenen technischen Rollen und die Dienstaltersstufe wird zur Voraussetzung. Von den Mitarbeitern wird erwartet, dass sie mehr Projekte übernehmen, mehr Fähigkeiten erlernen und in kürzerer Zeit mehr Leistung erbringen. Es sind jedoch nicht nur schlechte Nachrichten.

Aufgrund meiner Erfahrung in diesem Bereich glaube ich, dass es einen bestimmten Typ von Datenanalysten gibt, der die KI-Revolution nicht nur überleben, sondern auch gedeihen und überstehen wird.

Und das ist ein…

Produktdatenanalyst

In diesem Artikel erfahren Sie:

• Was ein Produktdatenanalyst (PDA) ist
• Der Unterschied zwischen einem PDA und einem herkömmlichen Datenanalysten
• Die erforderlichen Fähigkeiten, um ein PDA zu werden
• Meine eigene Erfahrung als PDA bei einem großen Technologieunternehmen

Eine Videoversion dieses Artikels finden Sie hier:

# Was ist ein Produktdatenanalyst?

Um den Unterschied zwischen einem PDA und einem normalen Datenanalysten zu veranschaulichen, betrachten wir einen „Tag im Leben“ von Fachleuten in jeder Rolle.

// Tag im Leben eines traditionellen Datenanalysten

Brian ist ein traditioneller Datenanalyst. Er sicherte sich eine Einstiegsposition und ist nun seit einem Jahr in dieser Funktion tätig.

Brians Job besteht aus Folgendem:

• Die Verkaufszahlen des letzten Jahres in SQL abrufen und daraus ein Dashboard erstellen
• Identifizieren eines Kundensegments, das in den letzten drei Monaten keine Transaktionen mehr mit dem Unternehmen getätigt hat
• Finden Sie heraus, warum die Conversion-Raten letzte Woche um 15 % gesunken sind, indem Sie Daten aus den Buyer-Relationship-Administration-Systemen (CRM) und Marketingkanälen des Unternehmens kombinieren

Eine Rolle wie diese erfordert normalerweise Kenntnisse in SQL, Excel, zum Erstellen von Dashboards und einige Programmierkenntnisse. Bei meinem ersten Job als Datenanalyst musste ich genau diese Aufgaben erledigen. Es ist sicherlich nicht einfach. Aber KI senkt die Eintrittsbarriere für diese Aufgaben.

Jede oben genannte Aufgabe kann mit KI-Instruments wie z. B. viel schneller ausgeführt werden Cursor, ClaudeUnd ChatGPT.

Aufgrund der intensiven Nutzung von KI-Instruments hat Brian manchmal das Gefühl, dass er sich eher zu einem schnellen Ingenieur als zu einem Datenanalysten entwickelt. Brians Arbeitgeber erkennt, dass Brians Arbeit dank neuer KI-Instruments schneller erledigt werden kann. Aus diesem Grund stellen sie keine weiteren Datenanalysten mehr ein. Stattdessen beauftragen sie Brian, alle Datenanalyseprojekte abzuschließen. Obwohl Brian einen stabilen Arbeitsplatz hat und dank KI ein effizienterer Analyst ist, hat er manchmal das Gefühl, dass sich seine Verantwortlichkeiten seit letztem Jahr nicht so sehr verändert haben. Er erklimmt weder die Karriereleiter noch wird er befördert.

Noch wichtiger ist, dass Brian mehr Fähigkeiten erlernen und sein Wissen vertiefen möchte, anstatt nur KI zu verwenden, um die gleiche Arbeit schneller zu erledigen. Brian ist auf dem Weg eines traditionellen Datenanalysten. Das ist keine schlechte Sache, aber indem er sich einfach neu positioniert und einige zusätzliche Fähigkeiten erlernt, kann er die Karriereleiter schneller erklimmen und mehr Geld verdienen. Um dies zu erreichen, muss Brian KI als Hebel und nicht als Konkurrenz nutzen.

// Tag im Leben eines Produktdatenanalysten

Sarah ist PDA bei einem Social-Media-Unternehmen.

So sieht ihr Job aus:

• Sarah arbeitet mit dem Staff, das Reels erstellt, zusammen, um zu verstehen, warum YouTuber an bestimmten Standorten diese Funktion weniger gerne nutzen. Anschließend arbeitet sie mit dem Designteam zusammen, um neue Funktionen zu entwickeln, um diese Lücke zu schließen.
• Sie arbeitet an einer neuen „Creator Enhance“-Funktion, um zu verstehen, ob die Förderung neuer YouTuber auf der Plattform zu einer besseren Bindung der YouTuber führt, ohne das Nutzerengagement zu beeinträchtigen. Dazu führt sie einen A/B-Check durch. (Spoiler-Alarm: Diese Artwork der Analyse ist nicht einfach. Die Ergebnisse sind selten eindeutig und es ist noch schwieriger, sie den Stakeholdern zu erklären.)
• Sarah nimmt auch an Besprechungen zur Produktbewertung teil und hinterfragt Annahmen der Führung: Der Vizepräsident geht beispielsweise davon aus, dass Benutzer längere Movies wollen, und Sarah muss dies mit tatsächlichen Verhaltensdaten entlarven, die zeigen, dass die Aufmerksamkeit nach etwa 35 Sekunden nachlässt.

Bemerken Sie den Unterschied zwischen den Jobs von Brian und Sarah?

Sarahs Job ist technisch nicht unbedingt komplexer als der von Brian. Beide Fachleute verfügen über die gleichen technischen Fähigkeiten; Beide beherrschen SQL, können Excel-Formeln schreiben und Dashboards erstellen.

Der größte Unterschied zwischen ihren Jobs besteht darin Sarah hat viel mehr Einfluss auf Produktentscheidungen. Wenn die neue Funktion „Creator Enhance“ eingeführt wird und das Unternehmen damit 1 Million US-Greenback verdient, hat Sarah direkt zu einem Produktumsatz von über einer Million US-Greenback beigetragen.

Dadurch ist sie von großem Wert für das Unternehmen und kann leicht befördert werden, was zu höheren Gehaltserhöhungen führt.

# Wie kann man PDA werden?

Ich habe sowohl in traditionellen als auch in PDA-Rollen gearbeitet. In den ersten zwei Jahren meiner Karriere arbeitete ich als traditioneller Datenanalyst. Und ich arbeite jetzt als PDA.

Hier sind die Fähigkeiten, die Sie benötigen, um ein traditioneller Datenanalyst zu werden:

• Excel
• SQL
• Einige Programmierkenntnisse (idealerweise Python)
• Datenvisualisierung
• Statistiken

Um ein PDA zu werden, müssen Sie zusätzlich zu den Kernkompetenzen der Datenanalyse Folgendes lernen:

// Fähigkeit 1: A/B-Exams und Experimente

Sie haben wahrscheinlich schon einmal von A/B-Exams gehört. Wenn Sie eine Web site haben und wissen möchten, welche Ihnen mehr Klicks verschafft – ein blauer oder ein grüner Button –, müssen Sie lediglich einen A/B-Check durchführen.

Zuerst wählen Sie eine Stichprobe von Benutzern aus, die Ihre Web site besuchen, und teilen sie dann nach dem Zufallsprinzip in zwei Gruppen auf. Einer Gruppe wird die grüne Schaltfläche angezeigt, der anderen die blaue, und es wird die Gruppe gestartet, die die höhere Anzahl an Klicks professional Benutzer erhält.

Das obige Beispiel ist die einfachste Möglichkeit, einen A/B-Check durchzuführen.

Beim Experimentieren gibt es noch viel mehr, zum Beispiel sicherzustellen, dass Sie Gruppen mit gleichen Verteilungen auswählen und sicherstellen, dass Ihr A/B-Check über eine ausreichende statistische Aussagekraft verfügt.

Während meines PDA-Interviews wurden mir eine Menge Fragen gestellt, die ich dank dessen beantworten konnte Udacitys kostenloser Einführungskurs in A/B-Exams.

// Fähigkeit 2: Produktmetriken definieren

Ein weiterer Unterschied zu herkömmlichen Datenanalysten besteht darin, dass Produktanalysten Erfolgskennzahlen definieren.

Um zu verstehen, was das bedeutet, schauen wir uns die bereits erwähnte neue Funktion „Creator Enhance“ an. Wenn Sie neue YouTuber fördern, weckt das in der Regel bei ihnen den Wunsch, mehr auf der Plattform zu posten, was zu einer höheren Bindung führt. Diese verbesserte Bindungsrate ist genau das, was Plattformen wie TikTok und YouTube wollen, da sie die Nutzer länger auf ihrer Plattform hält.

Aber… Was gilt als neuer Schöpfer? Jemand, der sein erstes Video gepostet hat? 5 Movies auf der Plattform gepostet?

Was passiert außerdem, wenn der Ersteller seinen ersten Schub durch das Programm erhält, wenn spätere Beiträge deutlich weniger Engagement erzielen? Könnte dies in Zukunft zu einer noch höheren Abwanderung führen? Ist dies tatsächlich schlechter für die langfristige Aufbewahrung, als die Funktion überhaupt nicht zu veröffentlichen?

Als Social-Media-Plattform muss auch das Engagement der Zuschauer berücksichtigt werden. Was wäre, wenn Zuschauer die Plattform weniger nutzen, weil sie einfach kein Interesse daran haben, von neuen YouTubern empfohlen zu werden?

Ein PDA muss all diese Faktoren berücksichtigen, wenn er Erfolgskennzahlen erstellt. Um den Erfolg einer neuen Funktion wie dieser zu messen, kann der Produktanalyst entscheiden, mehrere Erfolgsmetriken zu erstellen, wie zum Beispiel:

• Kurzfristige Erstellerbindungsrate
• Langfristige Erstellerbindungsrate
• Zuschauer-Engagement-Fee

In PDA-Interviews wird Ihnen normalerweise ein Anwendungsfall wie das oben dargestellte Beispiel vorgelegt. Der Interviewer wird Sie dann fragen, welche Erfolgskennzahlen Sie für diesen Anwendungsfall definieren würden und warum.

Um die Fähigkeit zur Metrikdefinition zu erlernen, empfehle ich die folgenden Ressourcen:

// Fähigkeit 3: Ereignisverfolgung

Nehmen wir an, Sie haben eine Erfolgsmetrik definiert. Für diese neue Funktion „Creator Enhance“ ist Ihr Erfolgsmaßstab die Retentionsrate des Creators.

Jetzt benötigen Sie Daten, um diese Metrik mithilfe von App-Ereignissen wie Ersteller-Uploads und Klicks tatsächlich zu erstellen. Normalerweise erstellen Sie Metriken mit SQL. Manchmal möchten Sie jedoch möglicherweise eine Metrik verfolgen und stellen fest, dass ein von Ihnen benötigtes Ereignis derzeit nicht erfasst wird.

Wenn Ihre Plattform derzeit beispielsweise keine „Add“-Ereignisse verfolgt, haben Sie keine Möglichkeit zu wissen, wie oft Ersteller Inhalte hochladen. Da Sie dieses Ereignis nicht erfasst haben, können Sie Ihre Erfolgsmetrik (Ersteller-Retentionsrate) nicht ausbauen. Anschließend müssen Sie mit den Entwicklungsteams zusammenarbeiten und ihnen erklären, welche Ereignisse erfasst werden müssen, damit Sie den Erfolg des Produkts effektiv verfolgen können.

Um mehr über die Ereignisverfolgung zu erfahren, empfehle ich die Lektüre Das Artikel.

// Fähigkeit 4: Angewandte Statistik

Dies ist eine Fähigkeit, über die Datenanalysten bereits verfügen.

Als PDA muss Ihr Fokus auf der Anwendung statistischer Konzepte mithilfe von Programmiertools liegen.

Die folgenden Fähigkeiten sind für die Rolle eines PDA am relevantesten:

• Hypothesentest.
• Statistische Signifikanz: Der Unterschied zwischen statistischer und praktischer Signifikanz, Effektgrößen und p-Werten.
• Grundlagen der Kausalinferenz (Störfaktoren, Behandlungseffekte).
• Simpsons Paradoxon und Selektionsbias.

Khan-Akademie ist ein großartiger Ort, um diese Konzepte zu lernen; Geben Sie einfach den Namen des Themas ein und schauen Sie sich das Video-Tutorial an. Normalerweise lerne ich die Theorie hinter einem Thema auf einer Web site wie der Khan Academy. Dann ging ich zu ChatGPT und ließ mir von der KI-Plattform die praktische Anwendung des statistischen Konzepts auf einen realen Datensatz beibringen.

# Wo finden Sie PDA-Jobs?

Fb, Amazon, Apple, Netflix und Google (FAANG) sowie andere große Technologieunternehmen stellen viele PDAs ein, weil sie täglich neue Funktionen einführen und A/B-Exams durchführen.

Meta hat normalerweise Berufsbezeichnungen wie „Information Scientist, Product Analytics“ oder „Product Analyst“. Diese Jobs zahlen zwischen 249.000 $ und 382.000 $wohingegen sich traditionelle Datenanalystenpositionen auszahlen 180.000 bis 282.000 US-Greenback. Das ist ein ziemlich großer Gehaltsunterschied und zeigt, wie gefragt PDAs sind.

Außer FAANG sollten Sie auch auf Folgendes achten:

• Schnell wachsende Startups, die benutzerorientierte Produkte entwickeln.
• E-Commerce-Unternehmen.
• Fintech- und Healthcare-Tech-Unternehmen.

Darüber hinaus sind Unternehmen nicht besonders intestine darin, sich datenbezogene Berufsbezeichnungen auszudenken. Eine einzelne Berufsbezeichnung kann im Datenraum mehrere Bedeutungen haben.

Tatsächlich habe ich Unternehmen gesehen, die unter den folgenden Titeln PDAs einstellen:

• PDA.
• Produktanalytiker
• Produktdatenwissenschaftler
• Datenwissenschaftler, Produktanalytik
• Analytics Supervisor (produktorientiert)
• Wachstumsanalyst

Einige Unternehmen geben lediglich „Datenanalysten“ oder „Datenwissenschaftler“ an, obwohl es sich tatsächlich um eine PDA-Stelle handelt. Ich empfehle, die Stellenbeschreibung einer Datenrolle zu lesen, um zu verstehen, ob es sich um eine produktbezogene Stelle handelt.

Typischerweise werden in der Stellenbeschreibung einer PDA-Rolle Schlüsselwörter wie „Zusammenarbeit mit Produktmanagern“, „A/B-Exams“, „Arbeit mit funktionsübergreifenden Groups“ und „Analyse von Produktmetriken“ erwähnt.

# Wichtige Erkenntnisse

Wir haben in diesem Artikel viele Themen behandelt. Konkret haben wir gelernt:

• Was eine PDA-Rolle beinhaltet
• Warum Sie PDA werden sollten
• Wie man die Fähigkeiten erlernt, die man braucht, um ein PDA zu werden
• Wo man PDA-Jobs findet

Denken Sie daran, dass KI unsere Arbeitsweise schneller verändert, als Sie sich vorstellen können. In diesem Zeitalter müssen Sie sich mit Fähigkeiten, die die KI ergänzen, marktfähiger machen und nicht mit ihr konkurrieren. Genau hier kommen PDAs ins Spiel.

Da diese Fachkräfte einen so großen direkten Mehrwert für das Unternehmensergebnis darstellen, sind ihre Jobs tendenziell sicherer, mit höheren Gehältern und schnelleren Beförderungen als normale Datenanalystenpositionen.

Natassha Selvaraj ist ein autodidaktischer Datenwissenschaftler mit einer Leidenschaft für das Schreiben. Natassha schreibt über alles, was mit Datenwissenschaft zu tun hat, eine wahre Meisterin aller Datenthemen. Sie können sich mit ihr verbinden LinkedIn oder schau sie dir an YouTube-Kanal.